Calipia : le blog

Pour rappel, Markdown, est un langage de balisage léger, depuis longtemps un outil prisé pour la rédaction et la structuration de texte grâce à sa syntaxe simple et lisible. Son adoption massive repose aussi sur sa compatibilité avec des plateformes incontournables telles que GitHub et Jupyter Notebooks. 

Microsoft a récemment dévoilé MarkItDown, une bibliothèque Python open source disponible sur GitHub. Cet outil permet de convertir différents types de fichiers en Markdown, ouvrant ainsi la voie à une exploitation facile pour des tâches telles que l’indexation et l’analyse de texte.

Formats Supportés

MarkItDown prend en charge un éventail de formats :

• Documents bureautiques : PDF, Word (.docx), PowerPoint (.pptx), Excel (.xlsx).
• Images : Lecture des métadonnées EXIF et reconnaissance optique de caractères (OCR).
• Audio : Extraction des métadonnées et transcription audio.
• HTML : Avec une prise en charge spécifique pour des sources complexes comme Wikipedia.
• Formats texte divers : CSV, JSON, XML, etc.

MarkItDown ne s’arrête pas là. Grâce à l’intégration de modèles de langage avancés, il peut analyser et décrire des images. Voici un exemple d’implémentation en Python :

from markitdown import MarkItDown
from openai import OpenAI

client = OpenAI()
md = MarkItDown(mlm_client=client, mlm_model= »gpt-4o »)
result = md.convert(« example.jpg »)
print(result.text_content)

L’outil est proposé sous licence MIT, MarkItDown  : les développeurs peuvent l’intégrer, le modifier, et le distribuer tant qu’ils incluent la licence d’origine. Pour expérimenter avec MarkItDown, voici les étapes d’installation :

Via pip : pip install markitdown

Depuis le code source : pip install -e

Pour ceux qui ne maîtrisent pas Python, il est tant de s’y mettre 🙂 ou sinon une version web est disponible ici, permettant de tester la bibliothèque directement depuis le navigateur… de quoi s’amuser un peu durant les fêtes de Noel… ou pas